如何入门 Python 爬虫 (如何入门pwn)

本文目录导航：

• 如何入门 Python 爬虫
• python爬虫入门：批量爬取网站图片并保存
• 毕业生必看Python爬虫上手技巧

如何入门 Python 爬虫

入门的话，我的经历：1.先用python写一个爬取网页源代码的爬虫（最先是爬取个人博客，会遇到乱码问题当时困扰了很久）2.后来写了爬取网络图片的程序，自动下载小说（我爱看小说-_-）（接触正则表达式）3.然后网络图片他那种分页模式，一般一页只有20张左右的图片，分析源代码，完善爬取程序，不受到限制，一次可以下几千张（图片有的是原图，有的是缩略图）4.后来发现程序卡顿，就添加了多线程。

5.然后模拟登陆一些不用验证码的网页（我学校的oj），cookie登陆B站（本来想写一个抢楼的脚本的，后来发现抢楼的被封号了-_-，就放弃了）对于使用的库，python2 与 python3 有点不同，我学的是python3先用的是，后来用requests（第三方库），在后来接触Scrapy(也是第三方库) 现在因为事情多了，就把python放下了，准备寒假写一些脚本，毕竟python不会有期末考试...我的个人经历，希望可以帮到你。

python爬虫入门：批量爬取网站图片并保存

通过爬虫技术对图片进行批量爬取是大数据时代必备技能。

网络爬虫自动采集与整理互联网数据信息，相比人力，效率更高、成本更低。

本文采用第三方库requests、lxml、etree。

在anaconda prompt中安装这些库。

隐藏爬虫身份，模拟正常用户访问。

打开网页，右键检查，找到并复制请求头中的User-Agent。

定位图片，打开元素检查，选择图片，自动定位到图片标签。

观察img src，获取图片地址。

通过requests库访问网页，检查状态码确认访问成功。

使用lxml、etree解析网页文本。

匹配图片地址，先定位到div标签，使用xpath遍历所有div[@class=gallery_inner]/figure中的图片。

对所有li标签循环操作。

遇到错误时，采用...结构处理。

图片请求失败时，选择跳过，避免程序崩溃。

利用python网络爬虫批量爬取图片，为数据采集开辟便捷途径。

有兴趣的读者可以实践本文案例，探索爬虫技术。

毕业生必看Python爬虫上手技巧

Python快速上手的7大技巧

Python快速上手爬虫的7大技巧

1、基本抓取网页

get方法

post方法

2、使用代理IP

在开发爬虫过程中经常会遇到IP被封掉的情况，这时就需要用到

代理IP；

在urllib 2包中有Proxy Handler类， 通过此类可以设置代理

访问网页，如下代码片段：

3、Cookies处理

cookies是某些网站为了辨别用户身份、进行session跟踪而

储存在用户本地终端上的数据(通常经过加密) ， python提供了

cookie lib模块用于处理cookies， cookie lib模块的主要作

用是提供可存储cookie的对象， 以便于与urllib 2模块配合使

用来访问Internet资源。

代码片段：

关键在于Cookie Jar() ， 它用于管理HTTP cookie值、存储

HTTP请求生成的cookie、向传出的HTTP请求添加cookie

的对象。整个cookie都存储在内存中， 对Cookie Jar实例进

行垃圾回收后cookie也将丢失， 所有过程都不需要单独去操作

手动添加cookie：

4、伪装成浏览器

某些网站反感爬虫的到访，于是对爬虫一律拒绝请求。所以用

urllib 2直接访问网站经常会出现HTTP Error 403：

Forbidden的情况。

对有些header要特别留意， Server端会针对这些header

做检查：

-Agent有些Server或Proxy会检查该值， 用来判

断是否是浏览器发起的Request。

-Type在使用REST接口时， Server会检查该

值， 用来确定HTTP Body中的内容该怎样解析。

这时可以通过修改http包中的header来实现， 代码片段如下

5、验证码的处理

对于一些简单的验证码，可以进行简单的识别。我们只进行过一

些简单的验证码识别，但是有些反人类的验证码，比如

，可以通过打码平台进行人工打码，当然这是要付费的。

6、gzip压缩

有没有遇到过某些网页，不论怎么转码都是一团乱码。哈哈，那

说明你还不知道许多web服务具有发送压缩数据的能力， 这可

以将网络线路上传输的大量数据消减60%以上。这尤其适用于

XML web服务， 因为XML数据的压缩率可以很高。

但是一般服务器不会为你发送压缩数据，除非你告诉服务器你可

以处理压缩数据。

于是需要这样修改代码：

这是关键：创建Request对象， 添加一个Accept-

encoding头信息告诉服务器你能接受gzip压缩数据。

然后就是解压缩数据：

7、多线程并发抓取

单线程太慢的话，就需要多线程了，这里给个简单的线程池模板

这个程序只是简单地打印了1-10，但是可以看出是并发的。

虽然说Python的多线程很鸡肋， 但是对于爬虫这种网络频繁型

，还是能一定程度提高效率的。